这四种情况下才是考虑分库分表的时候.docx
《这四种情况下才是考虑分库分表的时候.docx》由会员分享，可在线阅读，更多相关《这四种情况下才是考虑分库分表的时候.docx（10页珍藏版）》请在冰豆网上搜索。
这四种情况下才是考虑分库分表的时候
这四种情况下，才是考虑分库分表的时候！
不管是IO瓶颈还是CPU瓶颈，最终都会导致数据库的活跃连接数添加，进而靠近甚至达到数据库可承载的活跃连接数的阈值。
在业务service来看，就是可用数据库连接少甚至无连接可用，接下来就可以想象了（并发量、吞吐量、崩溃）。
IO瓶颈
∙第一种：
磁盘读IO瓶颈，热点数据太多，数据库缓存放不下，每次查询会产生大量的IO，降低查询速度->分库和垂直分表
∙其次种：
网络IO瓶颈，恳求的数据太多，网络带宽不够->分库
CPU瓶颈
∙第一种：
SQl问题：
如SQL中包含join,groupby,orderby，非索引字段条件查询等，添加CPU运算的操作->SQL优化，建立合适的索引，在业务Service层进行业务计算。
∙其次种：
单表数据量太大，查询时扫描的行太多，SQl效率低，添加CPU运算的操作。
->水平分表。
水平分库
∙1、概念：
以字段为依据，依据肯定策略（hash、range等），将一个库中的数据拆分到多个库中。
∙2、结果：
▪每个库的结构都一样
▪每个库中的数据不一样，没有交集
▪全部库的数据并集是全量数据
∙3、场景：
系统确定并发量上来了，分表难以根本上处理问题，并且还没有明显的业务归属来垂直分库的情况下。
∙4、分析：
库多了，io和cpu的压力自然可以成倍缓解
水平分表
∙1、概念：
以字段为依据，依据肯定策略（hash、range等），讲一个表中的数据拆分到多个表中。
∙2、结果：
▪每个表的结构都一样
▪每个表的数据不一样，没有交集，全部表的并集是全量数据。
∙3、场景：
系统确定并发量没有上来，只是单表的数据量太多，影响了SQL效率，加重了CPU负担，以至于成为瓶颈，可以考虑水平分表。
∙4、分析：
单表的数据量少了，单次执行SQL执行效率高了，自然减轻了CPU的负担。
垂直分库
∙1、概念：
以表为依据，依据业务归属不同，将不同的表拆分到不同的库中。
∙2、结果：
▪每个库的结构都不一样
▪每个库的数据也不一样，没有交集
▪全部库的并集是全量数据
∙3、场景：
系统确定并发量上来了，并且可以笼统出单独的业务模块的情况下。
∙4、分析：
到这一步，基本上就可以服务化了。
例如：
随着业务的进展，一些公用的配置表、字典表等越来越多，这时可以将这些表拆到单独的库中，甚至可以服务化。
再者，随着业务的进展孵化出了一套业务模式，这时可以将相关的表拆到单独的库中，甚至可以服务化。
垂直分表
∙1、概念：
以字段为依据，依据字段的活跃性，将表中字段拆到不同的表中（主表和扩展表）。
∙2、结果：
▪每个表的结构不一样。
▪每个表的数据也不一样，一般来说，每个表的字段至少有一列交集，一般是主键，用于关联数据。
▪全部表的并集是全量数据。
∙3、场景：
系统确定并发量并没有上来，表的记录并不多，但是字段多，并且热点数据和非热点数据在一起，单行数据所需的存储空间较大，以至于数据库缓存的数据行削减，查询时回去读磁盘数据产生大量随机读IO，产生IO瓶颈。
∙4、分析：
可以用列表页和详情页来挂念理解。
垂直分表的拆分准绳是将热点数据（可能经常会查询的数据）放在一起作为主表，非热点数据放在一起作为扩展表，这样更多的热点数据就能被缓存下来，进而削减了随机读IO。
拆了之后，要想猎取全部数据就需要关联两个表来取数据。
但记住千万别用join，由于Join不只会添加CPU负担并且会将两个表耦合在一起（必需在一个数据库实例上）。
关联数据应当在service层进行，分别猎取主表和扩展表的数据，然后用关联字段关联得到全部数据。
分库分表工具
∙sharding-jdbc（当当）
∙TSharding（蘑菇街）
∙Atlas（奇虎360）
∙Cobar（阿里巴巴）
∙MyCAT（基于Cobar）
∙Oceanus（58同城）
∙Vitess（谷歌）各种工具的利弊自查
分库分表带来的问题
分库分表能有效缓解单机和单表带来的功能瓶颈和压力，突破网络IO、硬件资源、连接数的瓶颈，同时也带来一些问题，下面将描述这些问题和处理思路。
事务全都性问题
分布式事务
当更新内容同时存在于不同库找那个，不行避开会带来跨库事务问题。
跨分片事务也是分布式事务，没有简约的方案，一般可使用“XA协议”和“两阶段提交”处理。
分布式事务能最大限度保证了数据库操作的原子性。
但在提交事务时需要协调多个节点，推后了提交事务的时间点，延长了事务的执行时间，导致事务在访问共享资源时发生冲突或死锁的概率增高。
随着数据库节点的增多，这种趋势会越来越严峻，从而成为系统在数据库层面上水平扩展的枷锁。
最终全都性
对于那些功能要求很高，但对全都性要求不高的系统，往往不苛求系统的实时全都性，只需在允许的时间段内达到最终全都性即可，可接受事务补偿的方式。
与事务在执行中发生错误马上回滚的方式不同，事务补偿是一种事后检查补救的措施，一些常见的实现方法有：
对数据进行对账检查，基于日志进行对比，定期同标准数据来源进行同步等。
跨节点关联查询join问题
切分之前，系统中很多列表和详情表的数据可以通过join来完成，但是切分之后，数据可能分布在不同的节点上，此时join带来的问题就比较麻烦了，考虑到功能，尽量避开使用Join查询。
处理的一些方法：
全局表
全局表，也可看做“数据字典表”，就是系统中全部模块都可能依靠的一些表，为了避开库join查询，可以将这类表在每个数据库中都保存一份。
这些数据通常很少修改，所以不必担忧全都性的问题。
字段冗余
一种典型的反范式设计，利用空间换时间，为了功能而避开join查询。
例如，订单表在保存userId的时候，也将userName也冗余的保存一份，这样查询订单详情顺表就可以查到用户名userName，就不用查询买家user表了。
但这种方法适用场景也有限，比较适用依靠字段比较少的情况，而冗余字段的全都性也较难保证。
数据组装
在系统service业务层面，分两次查询，第一次查询的结果集找出关联的数据id，然后依据id发起器二次恳求得到关联数据，最终将获得的结果进行字段组装。
这是比较常用的方法。
ER分片
关系型数据库中，假如已经确定了表之间的关联关系（如订单表和订单详情表），并且将那些存在关联关系的表记录存放在同一个分片上，那么就能较好地避开跨分片join的问题，可以在一个分片内进行join。
在1:
1或1：
n的情况下，通常依据主表的ID进行主键切分。
跨节点分页、排序、函数问题
跨节点多库进行查询时，会消灭limit分页、orderby排序等问题。
分页需要依据指定字段进行排序，当排序字段就是分页字段时，通过分片规章就比较简商定位到指定的分片；当排序字段非分片字段时，就变得比较简单.
需要先在不同的分片节点中将数据进行排序并前往，然后将不同分片前往的结果集进行汇总和再次排序，最终前往给用户如下图：
上图只是取第一页的数据，对功能影响还不是很大。
但是假如取得页数很大，情况就变得简单的多，由于各分片节点中的数据可能是随机的，为了排序的精确 性，需要将全部节点的前N页数据都排序好做合并，最终再进行全体排序，这样的操作很耗费CPU和内存资源，所以页数越大，系统功能就会越差。
在使用Max、Min、Sum、Count之类的函数进行计算的时候，也需要先在每个分片上执行相应的函数，然后将各个分片的结果集进行汇总再次计算。
全局主键避重问题
在分库分表环境中，由于表中数据同时存在不同数据库中，主键值平常使用的自增长将无用武之地，某个分区数据库自生成ID无法保证全局独一。
因而需要单独设计全局主键，避开跨库主键反复问题。
这里有一些策略：
UUID
UUID标准方式是32个16进制数字，分为5段，方式是8-4-4-4-12的36个字符。
UUID是最简约的方案，本地生成，功能高，没有网络耗时，但是缺点明显，占用存储空间多，另外作为主键建立索引和基于索引进行查询都存在功能问题，尤其是InnoDb引擎下，UUID的无序性会导致索引位置频繁变动，导致分页。
结合数据库维护主键ID表
在数据库中建立sequence表：
CREATE TABLE `sequence` （
`id` bigint（20） unsigned NOT NULL auto_increment,
`stub` char
（1） NOT NULL default '',
PRIMARY KEY （`id`）,
UNIQUE KEY `stub` （`stub`）
） ENGINE=MyISAM;
stub字段设置为独一索引，同一stub值在sequence表中只要一条记录，可以同时为多张表生辰全局ID。
使用MyISAM引擎而不是InnoDb，已获得更高的功能。
MyISAM使用的是表锁，对表的读写是串行的，所以不用担忧并发时两次读取同一个ID。
当需要全局独一的ID时，执行：
REPLACE INTO sequence （stub） VALUES （'a'）;
SELECT 1561439;
此方案较为简约，但缺点较为明显：
存在单点问题，强依靠DB，当DB特别时，整个系统不行用。
配置主从可以添加可用性。
另外功能瓶颈限制在单台Mysql的读写功能。
另有一种主键生成策略，类似sequence表方案，更好的处理了单点和功能瓶颈问题。
这一方案的全体思想是：
建立2个以上的全局ID生成的服务器，每个服务器上只部署一个数据库，每个库有一张sequence表用于记录当前全局ID。
表中增长的步长是库的数量，起始值依次错开，这样就能将ID的生成散列到各个数据库上
这种方案将生成ID的压力均匀分布在两台机器上，同时供应了系统容错，第一台消灭了错误，可以自动切换到其次台猎取ID。
但有几个缺点：
系统添加机器，水平扩展较简单；每次猎取ID都要读取一次DB，DB的压力还是很大，只能通过堆机器来提升功能。
Snowflake分布式自增ID算法
Twitter的snowfalke算法处理了分布式系统生成全局ID的需求，生成64位Long型数字，组成部分：
∙第一位未使用
∙接下来的41位是毫秒级时间，41位的长度可以表示69年的时间
∙5位datacenterId,5位workerId。
10位长度最多支持部署1024个节点
∙最终12位是毫秒内计数，12位的计数挨次号支持每个节点每毫秒产生4096个ID序列。
数据迁移、扩容问题
当业务高速进展、面临功能和存储瓶颈时，才会考虑分片设计，此时就不行避开的需要考虑历史数据的迁移问题。
一般做法是先读出历史数据，然后依据指定的分片规章再将数据写入到各分片节点中。
此外还需要依据当前的数据量个QPS，以及业务进展速度，进行容量规划，推算出或许需要多少分片（一般建议单个分片的单表数据量不超过1000W）。
什么时候考虑分库分表
∙能不分就不分
并不是全部表都需要切分，次要还是看数据的增长速度。
切分后在某种程度上提升了业务的简单程度。
不到万不得已不要轻易使用分库分表这个“大招”，避开“过度设计”和“过早优化”。
分库分表之前，先尽力做力所能及的优化：
升级硬件、升级网络、读写分别、索引优化等。
当数据量达到单表瓶颈后，在考虑分库分表。
∙数据量过大，正常运维影响业务访问
升级会员 